Como a Inteligência Artificial está Transformando a Eficiência dos Negócios?

Parte 1: Entendendo e Desmistificando os Conceitos

Introdução

Estamos vivendo um momento de crescente entusiasmo nas empresas em relação aos projetos piloto de Inteligência Artificial. Muitas estão iniciando seus primeiros experimentos com Modelos de Linguagem de Grande Escala (LLM), buscando demonstrar o valor desses modelos e seu impacto nos negócios.

Porém, antes de entrar neste ponto, preste atenção nesta frase dita por um dos melhores Traders do século:

Paul Tudor Jones: “No man is better than a machine, and no machine is better than a man with a machine.”

A IA não substitui o ser humano; ela potencializa nossas habilidades, assim como qualquer tecnologia, quando utilizada da forma correta.

E esse é o ponto crucial: Potencializar, utilizando da forma correta.

O objetivo desses projetos é claro: implementar casos de uso que tragam novas capacidades e eficiências para os negócios, que funcionem de forma confiável, encantem os usuários e gerem um impacto positivo e mensurável.

Antes de partir para Parte 2: Explorando categorias de casos de uso e selecionando as melhores aplicações de IA Generativa

 É prudente, primeiro, entendermos alguns conceitos, mesmo que em alto nível:

1.        Como Inteligência Artificial, Machine Learning e IA Generativa se relacionam?

2.        Qual a principal diferença entre a programação tradicional e Machine Learning?

3.        Quais as principais diferenças entre a IA generativa e a IA tradicional ou convencional?

4.        Quando a aplicação de IA Generativa ou LLM pode ser inferior a outras soluções?

Como Inteligência Artificial, Machine Learning e IA Generativa se relacionam?

Um diagrama bem explicativo:

Inteligência Artificial, ou IA, é um conceito amplo, são técnicas (ou tecnologias) que permitem que computadores e máquinas simulem a capacidade de resolução de problemas e a inteligência humana.

Machine Learning (ML) ou aprendizado de máquina é o subcampo da ciência da computação que dá aos "computadores a capacidade de aprender sem serem explicitamente programados". – Arthur Samuel, pioneiro no campo de jogos computacionais e Inteligência Artificial, cunhou o termo “machine learning” em 1959.

A IA Generativa pode ser vista como um modelo de aprendizado de máquina (modelo de ML ou especificamente modelo de Deep Learning) que é treinado para criar novos dados, em vez de fazer uma previsão sobre um conjunto de dados específico. Um sistema de IA Generativa é aquele que aprende a gerar mais objetos que se assemelham aos dados nos quais foi treinado. (https://news.mit.edu/2023/explained-generative-ai-1109)

LLM (Large Language Model) é um tipo de modelo de inteligência artificial que é treinado para entender e gerar linguagem natural, como o que usamos em conversas, textos ou documentos. Esses modelos são treinados em grandes volumes de texto e conseguem responder perguntas, escrever artigos, traduzir idiomas, resumir informações, entre outras tarefas relacionadas à linguagem.

Exemplos de LLMs:

• GPT (Generative Pre-trained Transformer): Um modelo que pode gerar texto, completar frases, responder perguntas e até escrever histórias.
• BERT (Bidirectional Encoder Representations from Transformers): Usado principalmente para entender o contexto de palavras em uma frase, o que ajuda em tarefas como busca e classificação de textos.
• T5 (Text-To-Text Transfer Transformer): Um modelo que transforma todas as tarefas de linguagem natural em problemas de transformação de texto, como traduzir, resumir ou responder perguntas.

A partir de agora, vou me referir a 'LLM' como uma abreviação para 'LLMs usados em IA Generativa' (Large Language Models aplicados à IA Generativa).

Uma nota pessoal aqui: A IA Generativa e LLMs não servem apenas para gerar imagens criativas, histórias ou conteúdo de novos produtos, mas também para automatizar processos, abrindo um leque de possibilidades que vai muito além do imaginário criativo, com potencial para impactar diversas áreas estratégicas e operacionais das empresas, e vamos ver isso na Parte 2 com mais detalhes.

Qual a principal diferença entre a programação tradicional e Machine Learning?

A principal diferença entre a programação tradicional e o Machine Learning está na forma como as soluções são desenvolvidas.

Programação Tradicional: Na programação tradicional, os desenvolvedores escrevem explicitamente as regras e instruções que o sistema deve seguir para processar os dados e gerar as respostas desejadas. Em outras palavras, você fornece Regras + Dados como entrada, e o sistema produz as Respostas como saída.

Machine Learning: No Machine Learning, o processo é inverso. Você fornece ao modelo uma grande quantidade de Dados + Respostas e, a partir dessas informações, o modelo aprende as Regras por meio de algoritmos estatísticos. Essas regras aprendidas são, na verdade, padrões ou modelos matemáticos que podem ser utilizados para fazer previsões, classificações, ou identificar novos padrões em dados futuros.

Essa diferença fundamental permite que o Machine Learning seja aplicado a problemas complexos e variáveis, onde é difícil ou inviável definir todas as regras explicitamente, como em reconhecimento de padrões, detecção de anomalias e previsões de tendências.

E qual a melhor abordagem?

Dependendo do caso, como o que implementei na Ebix, escolhi uma Abordagem Híbrida para Plataforma para detecção de suspeita de fraude de seguro.

Neste caso, a previsão e suspeitas mapeadas pelo motor de Machine Learning, são combinadas com outro motor baseado em regras determinísticas. Resultando assim em um motor híbrido: Machine Learning + Regras Determinísticas.

Além disso, utilizei IA Generativa para facilitar a criação de Regras Determinísticas por meio de linguagem natural (usando LLMs), reduzindo a necessidade de escrever queries SQL de forma tradicional.

Outra aplicação prática de Machine Learning

Vamos imaginar um corretor de seguros experiente na venda de produtos de Ramos Elementares, como seguro Residencial. Não é difícil afirmar que um corretor experiente vende mais que um colega que acabou de entrar no ramo, não é? Mas por que ele é experiente? Pense nas inúmeras situações, casos e necessidades de clientes que ele já vivenciou. Para determinado perfil de cliente, ele sabe exatamente quais produtos oferecer e como abordá-los.

Esse conhecimento vem de "Dados históricos"... E é exatamente isso que podemos replicar e potencializar com Machine Learning. Através do aprendizado de padrões nos dados históricos, podemos criar modelos que simulam a experiência acumulada do corretor. Esses modelos conseguem identificar, de forma automática, as melhores oportunidades de venda para diferentes perfis de clientes, prevendo as necessidades e preferências com base em dados semelhantes.

Além disso, com o uso de Machine Learning, podemos identificar padrões que talvez o corretor experiente ainda não tenha percebido, oferecendo insights valiosos para melhorar ainda mais suas estratégias de venda. Em outras palavras, o Machine Learning pode não apenas replicar a experiência humana, mas também ampliá-la, fornecendo ao corretor uma ferramenta poderosa para otimizar suas operações e alcançar resultados ainda melhores. 

Replicando e Ampliando a Experiência do Corretor

Quais as principais diferenças entre a IA generativa e a IA tradicional ou convencional?

O que "IA tradicional" significava antes de 2022/23?

Normalmente, significava obter insights ou fazer julgamentos com base em dados. Estava intimamente ligada ao Big Data e quase nunca era generativa. Prever, classificar, detectar, analisar, recomendar. Essas funções geralmente se manifestavam em otimizações baseadas no conjunto de dados.

·        Você está avaliando riscos de apólices de seguro? Identifique e precifique riscos de maneira mais precisa, com base nos dados históricos de sinistros e perfis de clientes.

·        Você está processando pedidos de indenização? Detecte fraudes em pedidos de indenização com maior eficácia, utilizando análise de padrões e histórico de sinistros.

·        Você está calculando o valor de resgate de uma apólice de seguro de vida? Calcule valores de resgate com maior precisão, levando em conta o comportamento histórico do cliente e as condições do mercado.

·        Você está analisando a viabilidade de um empréstimo? Avalie a capacidade de pagamento e o risco de inadimplência com mais precisão, utilizando dados de crédito e comportamento financeiro do cliente.

·        Você está gerenciando carteiras de investimentos? Otimize a alocação de ativos e previsões de retorno, com base em análises detalhadas de tendências do mercado e dados históricos.

·        Você está precificando produtos financeiros? Ajuste os preços de produtos como seguros ou hipotecas de forma mais precisa, considerando dados macroeconômicos e comportamentais dos clientes.

A chave para a melhoria está nos dados! Afinal, as empresas possuem uma vasta quantidade de dados, o que torna essa abordagem altamente eficaz. Identifique alguns processos de negócios na sua organização e, se houver dados relevantes, é quase certo que exista uma oportunidade de otimização.

Quando a Aplicação de LLMs Pode Ser Inferior a Outras Soluções: Escolhendo o Caso de Uso Correto

Agora vamos voltar ao ponto de partida:

A IA não substitui o ser humano; ela potencializa nossas habilidades, assim como qualquer tecnologia, quando utilizada da forma correta.

E esse é o ponto crucial: Potencializar, utilizando da forma correta.

Por exemplo, pense na vassoura e no aspirador de pó. Ambos são tecnologias. Qual é o melhor? Depende da situação. Para varrer as folhas na calçada do prédio, a vassoura é mais adequada. Mas, para limpar o pó dentro de casa, o aspirador pode ser a escolha ideal.

Da mesma forma, explorar o potencial dos Modelos de Linguagem de Grande Escala (LLMs) pode ser empolgante, mas é importante lembrar que eles nem sempre são a melhor solução. Em alguns casos, um LLM pode ser menos eficiente ou eficaz do que métodos mais tradicionais.

Assistente de Análise de e-commerce:

Por exemplo, imagine que uma empresa decida implementar um assistente de análise de e-commerce usando um LLM. Se a interface de conversação baseada em LLM for mais complicada e menos intuitiva do que a antiga interface de consulta baseada em colunas, os usuários podem se sentir frustrados e optar por abandonar a nova solução. Além disso, se os requisitos de análise da empresa puderem ser melhor atendidos por métodos tradicionais, como análise estatística ou detecção de anomalias, a adição de um LLM pode acabar sendo desnecessária, criando uma funcionalidade que ninguém realmente usa.

Análise de Dados Estruturados para Relatórios Financeiros:

Para a criação de relatórios financeiros a partir de dados altamente estruturados, como tabelas e gráficos, uma solução tradicional de BI (Business Intelligence) pode ser mais eficaz. LLMs podem adicionar complexidade desnecessária, enquanto uma ferramenta de BI tradicional já oferece todos os recursos necessários para análise e visualização de dados.

Busca de Documentos em Arquivos Organizados:

Se a empresa tem um sistema de busca interno bem organizado, onde os documentos estão categorizados e indexados de forma eficiente, usar um LLM para melhorar a busca pode não trazer muitos benefícios. Um sistema de busca baseado em palavras-chave ou filtros pode ser mais rápido e direto, enquanto um LLM pode complicar o processo sem adicionar valor real.

Para concluir, é importante lembrar que a escolha da tecnologia certa deve sempre estar alinhada com as necessidades específicas do seu negócio. Nem sempre a solução mais avançada é a melhor, e a aplicação de LLMs ou outro tipo de IA deve ser feita de forma estratégica para realmente agregar valor.

No próximo artigo, vou abordar diferentes categorias de casos de uso para aplicação de IA Generativa, desde os mais simples aos mais complexos. Sempre com o foco de que a tecnologia trabalhe em favor dos objetivos do negócio e maximize a eficiência, gerando valor real. Vamos em frente!

Em breve vou postar a Parte 2.

Abraços e até breve!

Parte 2: Explorando categorias de casos de uso e selecionando as melhores aplicações de IA Generativa